読み込み中...
ブログ
OCR とドキュメント AI を形づくる最新研究を、わかりやすく解説します。
23 分で読めますarXiv:2610.11148
SP-DocReader: 差分認識型セルフプレイでVary-600KのOCR誤り率を半減
Qwen3-VL-4Bにおいて、SP-DocReaderはバックボーンを凍結したままOCRモジュールを訓練し、Vary-600Kの文字誤り率を2エポックの教師あり微調整と比べて約54%削減します。
42 分で読めますarXiv:2610.11818
小型モデルと構造化データ：軽量VLMは複雑な文書抽出においてクラウドAPIを代替できるか？
4B〜7Bの視覚モデルはローカルGPU上で乱雑なアーカイブから構造化JSONを抽出できるのか？ FAUエアランゲンの最新研究が、大学の所蔵資料を対象に8つのオープンウェイトVLMをベンチマーク評価。
23 分で読めます
184種類のOCRエンジンに真っ白な空白ページを送信した結果：一部のモデルが存在しない文字を「読解」
800×1000ピクセルの白い空白画像を見せたところ、従来のOCRエンジンは何も出力しなかった一方、最新のビジョン言語モデルはUFOの目撃談やヴィクトリア朝の判例、腸活サプリの広告を勝手に創作し始めた。
28 分で読めますarXiv:2610.07091
すべてのページをVisionモデルに送るのはやめよ：Citigroup、EY、NVIDIAの研究者が明かす実践的教訓
社内コーパスの92%でページ単位のOCRを回避したとするドキュメント取り込みに関するプレプリントから、構造を考慮したチャンキングや抽出処理時間の内訳を読み解く。
9 分で読めます
OpenOCR、Gemini 3.1 Flash-Liteをはじめ全エンジンで空の結果を検知可能に
GoogleのGemini 3.1 Flash-Liteは、十分に読み取り可能なページでも成功と報告しながらテキストを一切返さないことがあります。OpenOCRは全エンジンでこれを検知して理由を通知し、PDFの残りのページを保持するとともに、プロバイダーの実請求額を超える費用を一切請求しません。
25 分で読めますarXiv:2610.02880
見つかっても読まれない：なぜVision-Language Modelに今なおOCRが有効なのか
FoveDoc-Benchにおいて、CPUによるOCRテキストを追加したことでドキュメントQAの正解率が13〜16ポイント向上し、根拠の「検索」と「活用」の間にあるギャップが浮き彫りになった。
20 分で読めます
OpenOCR Stratify のご紹介
Stratifyは、複雑なドキュメントを読み取り可能な要素に分割し、要素ごとに最適なツールを選択した上で、すべての抽出結果と元のソースとの紐付けを維持できるよう設計されています。
23 分で読めますarXiv:2610.01191
ディープラーニングを用いない手書きベンガル語の単語領域分割：画像処理パイプラインの徹底解説
KUETの研究チームが、適応型画像処理と反復的輪郭カウントを用いて、色付き用紙や影の生じた写真から手書きベンガル語の単語領域を分割した手法を解説。
32 分で読めますarXiv:2609.40356
動画シーンテキスト編集はなぜ依然として破綻するのか：ViTeX-Benchが明らかにするトレードオフ
ViTeX-Benchは実動画における精密なテキスト置換を検証するベンチマークであり、その評価結果は、文字の正確性、動きの安定性、そして元のシーンの保持という3つの要件の間に存在するトレードオフを浮き彫りにしている。
26 分で読めますarXiv:2609.28757
ナビゲーション向けに訓練した500Mビジョンモデル、OCR-Benchのスコアが2倍以上に向上
研究チームが視覚障害・ロービジョン支援向けに500Mのビジョン言語モデルを事後学習させたところ、OCR-BenchのANLSスコアが101.5%向上し、空間グラウンディングが画像内テキスト推論へと転移し得ることが示された。
21 分で読めますarXiv:2609.29240
ハルシネーションの連鎖を断つ：TOLAはいかにして拡散モデルによるテキスト超解像を1ステップに短縮したか
拡散モデルは不鮮明なテキストを鮮明化できますが、不正確なテキスト事前分布は反復復元の中で誤った文字を補強してしまうリスクがあります。TOLAは画像予測を1回で完結させ、実測推論時間を9.95秒から132msへと大幅に短縮しました。
14 分で読めますarXiv:2608.13783
ImageNetは14年間、欠陥のある模範解答でモデルを評価し続けてきた
ImageNet-1kの新たな再アノテーションにより、ラベルの12%が誤りで画像の3分の1がマルチラベルであることが判明し、修正により精度が最大6ポイント向上することが明らかになった。
14 分で読めますarXiv:2608.12911
読み取れない生年月日を“推測”してしまうOCRモデル
新たなベンチマークにより、文書AIモデルは不鮮明な身分証の項目を単に見誤るだけでなく、記憶した学習データから推測して補完し、実在の個人情報を漏洩させている実態が明らかになった。
17 分で読めますarXiv:2608.18957
ハーバード大学が構築した2260万枚の画像抽出パイプライン：OCRが見落とす図版を発見する技術の内幕
ハーバード大学の新たなパイプラインは、高価なVLMではなく軽量モデルを活用し、100万冊のスキャン書籍から2260万点もの図版を抽出した。
13 分で読めますarXiv:2608.18696
従来型のOCRパイプラインが、サンスクリット語の解読においてGemini、GPT、Claudeを凌駕
わずか3ページを修正・ファインチューニングしたCRAFT+GNN+CTCパイプラインが、歴史的サンスクリット写本をGemini、GPT、Claudeよりも高精度に読み解く。
12 分で読めますarXiv:2608.22366
不正確なOCR結果をAI補正にかける：有効に機能するケースと、かえってページ全体を破綻させるケース
アラビア語古文書を対象とした最新研究によれば、「AIにOCR結果を修正させる」アプローチが機能するのは、初期OCRの推測が一定の信頼に足る近さにある場合に限られることが明らかになった。
12 分で読めますarXiv:2608.22346
感覚ではなくルーブリックで採点する試験データセット
スキャンされた485件の試験答案を、単なる総合得点だけでなく評価項目ごとの実際の採点ルーブリックと紐づけた新しいデータセットが登場した。
12 分で読めますarXiv:2608.26091
図面の空間構造を損なわずに道路設計図を読み解く：PlanSightRAGの試み
OCRを完全に排して設計図画像を直接推論し、DOT（運輸局）の図面で検索精度91%を達成した新たなRAGシステム。
22 分で読めますarXiv:2609.03445
コンパイラ・イン・ザ・ループ：TencentのDocEDRはいかにレンダリングを用いてOCRを検証・修復するか
TencentのDocEDRは予測結果のレンダリングを用いてOCRの診断と修復を行い、数式診断におけるCase-F1をDOCR-Inspector-7Bと比べて30.99ポイント引き上げた。
28 分で読めますarXiv:2609.03595
合成データはタイ語OCRをどこまで進化させられるか？中央値CER 1.24%に到達したレシピの内部
制御された合成文書の再構築により、0.9Bパラメータのタイ語OCRモデルが5つの評価セットでTyphoon OCR 7Bを上回ったが、手書き文字や重大なエラーには重要な限界がある。
20 分で読めますarXiv:2609.02486
Vision LLMに10ページも与えるのはやめよう：ViSARのトレーニング不要な適応型検索の内部
固定のtop-k視覚検索は、ビジョンLLMの速度低下や精度劣化を引き起こす可能性があります。ViSARはマルチベクトル幾何学を活用してコンテキストサイズを削減し、レイテンシを最大58.7%削減します。
17 分で読めますarXiv:2608.31107
OCRベンチマークにおける隠れたキャプチャデバイスのバイアス：VeriCamがデバイス間で測定するもの
VeriCamはペアワイズ検証とグラフクラスタリングを用いて未知のキャプチャデバイスクラスをグループ化し、LPLCv2のトラフィック画像におけるキャプチャデバイスのバイアスを研究する。
21 分で読めますarXiv:2608.28248
合成レイアウト、より良い縦書き日本語OCR：Synth-JDocの内部
Synth-JDocは、プログラムによるHTML/CSSレイアウト、生成画像、および文書劣化を組み合わせ、評価された5つのビジョン言語モデルのうち4つで縦書き日本語OCRの精度を向上させます。
11 分で読めますarXiv:2608.26921
アラビア語写本は上から下には読まれない、そしてそれを認めるデータセットが今登場
AraMS-28kは、実際の歴史的アラビア語写本からなる28,600行のデータセットで、OCRモデルに本文における傍注の正確な位置を初めて示します。
13 分で読めますarXiv:2608.27169
AIが2000年前の印章を読み取り、詩を創作した
新しいベンチマークは、3000年にわたる中国の文物を対象としたOCRをテストする。最も優れたモデルでさえ正解率は58%未満にとどまり、完全に自信満々に幻覚（ハルシネーション）を起こす。
12 分で読めますarXiv:2608.20011
画像モデルの整列がスペル能力を低下させる場合
新しい論文は、好意思調和フローモデルが生成テキストを静かに破壊する理由と、OCR精度を47.5%向上させる方法による修正を示す。
14 分で読めますarXiv:2608.20122
GPT-5を失敗させるために構築されたOCRベンチマーク
GPT-4oは歪んだ、透かしのある、またはAIで合成されたテキストを23%の精度で読み取ります。新しいトレーニング手法は、通常のOCRを壊すことなく、その精度をほぼ3倍に引き上げます。
12 分で読めますarXiv:2608.12898
ドキュメントを撮影しても、なぜほとんどのOCRモデルが壊れてしまうのか
NaviDC-OCRは1つのモデルでスキャンおよびスマートフォン撮影された文書を処理し、既存のVLMベースのパースャを難渋させる歪んだページ、表、数式に対応します。
11 分で読めますarXiv:2608.15698
チャットボットは答えがあるチャートを見つけられない。この論文はその問題を解決しようとする。
ConceptFormerは、検索モデルにテキストだけでなくチャートやレイアウト内の証拠を見つけることを教え、OCRおよび視覚的なベースラインを2桁上回る性能を達成しました。
11 分で読めますarXiv:2607.27558
スキャナーではなくエンジニアのように図面を読むAI
Drawing-Recodeは、スキャンされたCAD図面の寸法テキストを測定対象の正確な幾何形状とリンクし、その結果から編集可能な3D CADコードを生成します。
13 分で読めますarXiv:2607.27902
One Patch Is Enough: 2Bパラメータモデルが街路標識の読解でGPT-5.4を凌駕する方法
2Bパラメータのモデルが、単語ごとに正確に1つの画像パッチを指し示すことで、GPT-5.4、Claude、Geminiを凌駕して道路標識の読み取りで勝利した。
12 分で読めますarXiv:2607.25390
OCRに拡散モデルを実際に有用にするかもしれないワンステップのトリック
新しい論文は、適切に調整された1回の決定論的拡散パスが、分類、検出、OCRにおいて遅い多段階復元を上回ることを示している。
11 分で読めますarXiv:2607.24651
AIにボックスを描かせようとするのをやめよう：回答の出所を証明するより良い方法
新しい研究では、視覚言語モデルにバウンディングボックスを描画させる代わりに証拠を引用させることで、文書の正しい部分を参照する頻度が約2倍になることが示された。
11 分で読めますarXiv:2607.22200
OCRモデルが空白の余白を読み取っているため、処理が遅くなっています
新しい論文は、モデルに空白の余白を無視することを教えることで、VLMベースのOCRの視覚トークンを50%削減し、精度の低下はほとんどない。
11 分で読めますarXiv:2607.15509
3つのAIモデルが自らのOCRネットワークを一から設計した
GPT-5、GPT-4o、およびClaude Sonnet 4は、人間のアーキテクトの関与なしに、独自の文字認識ネットワークを設計する270の実験を実行した。
12 分で読めますarXiv:2607.17052
ビジョン層をスキップすると機能するが、テキストを読み取らせるよう要求するとそうではなくなる
進化探索はVLMsの安価なビジョン経路を発見し、単純なプルーニングを上回るが、タスク特化のショートカットは静かにOCR精度を損なう可能性がある。
13 分で読めますarXiv:2607.19315
トレーニングセットで最も忙しいように見えるスキャンが、なぜOCRモデルを損なう可能性があるのか
新しいラベルフリー指標は画像がどのくらいの数の特徴方向を活性化するかを数え、それによって剪定を行うことで、最も忙しい文書を削減してOCRモデルを支援します。
11 分で読めますarXiv:2607.20385
ペルシャ語の話者は1億1000万人いるが、OCRデータはほぼ存在しない。この論文はそれを解決するために34万3000ページを偽造した
新しいデータセットは、文字が隣接する文字によって形状が変わるスクリプトというOCRの最大の盲点を解消するため、34万3,000枚のペルシャ語文書画像を偽造した。
12 分で読めますarXiv:2607.18217
ロゴを正確に認識しなければならない動画AI
新しい動画生成論文では、OCRの出力を直接拡散モデルに供給することで、製品ロゴやラベルの文字がぼやけるのを防いでいる。
13 分で読めますarXiv:2607.16060
AIはデータを歪めずに美しいチャートを描けるのか？
新しいベンチマークは、画像モデルが芸術的なチャートを頻繁に誤処理し、棒の高さが間違ったり、ラベルが乱れたり、凡例が一致しないことを示し、芸術性と数学的正しさを両立させる修正をテストする。
15 分で読めますarXiv:2607.09068
AIモデルが視覚を偽装するのを暴くマップベンチマーク
OmniMapBenchは、トップAIモデルが地図関連の質問で75%に頭打ちになることを示し、多くの「視覚的」ベンチマークが実はテキストのみで解けることを浮き彫りにした。
11 分で読めますarXiv:2607.10400
なぜAIドキュメントリーダーは長いPDFの途中で詰まるのか
新しい合成ベンチマークにより、トップクラスのビジョン言語モデルは長い文書の中央部分の読解で測定可能な性能低下を示し、チャートの理解能力も崩壊することが示された。
11 分で読めますarXiv:2607.13458
OCRが曲がったテキストや傾いたテキストで失敗する隠れた理由
新しい位置エンコーディングの手法は、OCRトランスフォーマーに2次元で考えることを教え、その効果は曲がった、回転した、歪んだテキストといった予期された領域で現れます。
10 分で読めますarXiv:2607.14041
その仕事のために訓練したことがないOCRの専門家
新しい論文では、歴史的な満州文書を手書きスタイルに基づいてOCRの専門家にルーティングし、各スタイルに最適な専門家はそのスタイルで訓練されていないことが多かった。
13 分で読めますarXiv:2607.11192
最上位のAIモデルでさえPDFで85%の失敗率を示すベンチマーク
GDP.pdfはAIを実際の専門的なPDFでテストし、おもちゃのようなOCRタスクではありません。最良のモデルは15%の項目に合格しました。このギャップがなぜ重要なのか。
12 分で読めますarXiv:2607.11562
写真には優れているのに請求書の読み取りには不向きなモデルの理由
MonkeyOCRv2は猫や車用に作られたものを借りるのではなく、1億1300万枚のドキュメント画像でビジョンエンコーダを訓練し、わずか0.7Bのパラメータを持つモデルが3Bのライバルを凌駕している。
12 分で読めますarXiv:2607.09488
あなたのビジョンエンコーダに隠された無料の昼食：SigLIP-HDが正しく捉えたこと
新しいトレーニング手法により、ビジョンエンコーダが同じ解像度と推論コストでテキストをより良く読み取れるようになり、より大きな画像は不要です。
9 分で読めますarXiv:2607.08014
写真は一切公開しないが、ラベルの読み方を学ぶ工場
FedTRはデータを共有できない複数の工場間でOCRモデルを訓練し、画像を外部に出さずに95.5%の単語精度を達成した。
11 分で読めますarXiv:2403.04473
TextMonkey: 視覚言語モデルが直前に読んだ行を指し示すように教える
TextMonkeyはOCRを完全にスキップし、ドキュメントを画像として読み取り、すべての回答にどこを参照したかを示すバウンディングボックスで裏付けます。
13 分で読めますarXiv:2502.18443
あなたのPDFには数兆トークンの価値がある。しかし、ほとんどのOCRパイプラインはそれを捨てている。
olmOCRは、ファインチューニングされた7Bビジョンモデルが、ページあたりのコストを35分の1に抑えつつ、PDFの読み取りにおいてGPT-4oを上回る性能を発揮することを示しています。
11 分で読めますarXiv:2309.11419
MicrosoftのKOSMOS-2.5：1つのOCRモデルで、全く異なる2つのタスクをこなす
MicrosoftのKOSMOS-2.5は、単一の1.3Bパラメータモデルで、bounding-box OCRと完全なmarkdown再構成という2つの方法で同時にドキュメントを読み取ります。
12 分で読めますarXiv:2109.10282
TrOCR：OCRの定石をすべて捨てると何が起こるか
MicrosoftのTrOCRはCNNとRNNを完全に排除し、2つの学習済みTransformerを用いることで、よりシンプルなパイプラインで最先端のOCRモデルを上回る性能を実現しています。
11 分で読めますarXiv:2409.01704
GOT-OCR2.0：テキスト、数式、楽譜、チャートを読み取る580Mパラメータモデル
GOTは580Mパラメータのエンドツーエンドモデルであり、パイプラインを必要とせず、単一のプロンプト駆動システムでテキスト、数式、表、楽譜、化学図式を読み取ることができます。
12 分で読めますarXiv:2111.15664
DonutはOCRを完全にスキップし、それでもレシートを読み取る
DonutはOCRを介さずにドキュメントを読み取ります。テキスト認識を完全にスキップすることで、速度と精度の両面でOCRパイプラインをいかに上回ったかを探ります。
12 分で読めますarXiv:2308.13418
Nougat以前の最高のPDF-to-Mathツールが、数式を正しく認識できた確率が10%未満だった理由
MetaのNougatは、スキャンされた論文を読み取り、OCRやバウンディングボックスを完全に省略してLaTeX形式の数式を直接書き出します。その仕組みと、依然として課題が残る点について解説します。
13 分で読めますarXiv:2412.02210
CC-OCRが9つの主要AIモデルを7,058の実際の文書でテスト、大半が基礎的な課題で不合格に
CC-OCRは、乱雑な実世界のドキュメントに対して9つの主要なマルチモーダルAIモデルをテストした。GPT-4oやGeminiでさえ、回転したテキスト、外国語の文字、および反復ループに苦戦した。